À la fin juillet, LiberAI a bouclé un tour de financement Pre-A+ de plusieurs centaines de millions de yuans, avec des investisseurs tels que le groupe 360, Guokai Finance, Innovation Works, CMC Capital, Binfu Capital et Sequoia China.
Cette entreprise a été fondée le 8 décembre 2025 sous le nom « Jiangxian Technology », dont le nom signifie « Être en repos est la première force productive » ; son capital social s'élève à 1,46 million de yuans et son équipe compte moins de 30 personnes.
Selon IT Juzi, il s'agit de sa cinquième levée de fonds depuis sa création ; au cours des six derniers mois, elle a effectué des levées de fonds intensives à un rythme très rapide, passant successivement des rondes graine, angel, angel+ à la pré-A, en réalisant quatre levées d'affilée. Selon les rapports, sa dernière évaluation s'élève à 5 milliards de yuans.
Le fondateur, Liu Songming, est un membre de la génération Z, lauréat de la bourse d'excellence spéciale du département d'informatique de Tsinghua, classé premier de sa promotion, et élève du professeur Zhu Jun. Il a obtenu son doctorat à l'âge de 23 ans avant de se lancer dans l'entrepreneuriat. Il a précédemment dirigé le développement de RDT-1B, le premier modèle de base à grande échelle de diffusion Transformer conçu spécifiquement pour l'opération de robots à deux bras, avec 1,2 milliard de paramètres.
LiberAI cible les données UMI humaines + les modèles mondiaux — en clair, elle vend les données alimentant les robots et le cerveau qui les traite.
Selon les statistiques de IT Juzi, au premier semestre 2026, 25 startups chinoises de données pour l'intelligence incarnée ont levé plus de 17 milliards de yuans au total, ce qui fait des données le secteur le plus certain dans l'écosystème de l'intelligence incarnée. (Ne comprend pas les entreprises qui développent à la fois des modèles de données incarnées et des robots, comme Xinghai Tu et Qianxun Intelligence)
Pour obtenir la liste complète des entreprises et leurs données de financement dans le secteur des données incarnées, consultez et téléchargez les données sur la page d’album d’IT桔子 : https://www.itjuzi.com/album/766 (actuellement 42 entreprises répertoriées).
Parmi eux, Guanglun Intelligence a non seulement obtenu un financement externe important, mais a également décroché des commandes de 550 millions de yuans au premier trimestre.
Avant que les chercheurs d'or ne trouvent de l'or, les vendeurs de pioches ont déjà gagné de l'argent.
I. Problème non résolu : le désert de données dans l'industrie des robots
Pourquoi les grands modèles linguistiques ont-ils connu une explosion ? Parce qu'il existe une quantité inépuisable de corpus sur Internet.
Mais l'entraînement des robots repose non pas sur le langage écrit, mais sur des données d'actions physiques tridimensionnelles telles que prendre, poser, marcher, saisir, tourner et faire sauter les aliments — ces types de données sont presque inexistants sur Internet.
Dans toute l'industrie, le manque de données incarnées constitue un grand obstacle.
Grand View Research prévoit que le marché mondial de la collecte et de l'annotation de données atteindra 17,1 milliards de dollars d'ici 2030.
Les données d'embodiment reconnues dans l'industrie présentent une structure pyramidale : au sommet se trouvent les données réelles, de qualité fiable et directement déployables, mais les plus coûteuses ; au milieu, les données synthétisées par simulation et les données UMI, à coût modéré et produites en quantité infinie, mais souffrant d'un écart Sim-to-Real (biais d'approximation des frottements/déformations) ; à la base, les vidéos internet et les données de comportement humain, les plus largement disponibles, mais dépourvues de détails interactifs et d'informations éparses.
Ensuite, chaque couche compte un ensemble d'entreprises dédiées à pousser les limites — c'est un cadre de référence pour comprendre la vague actuelle d'entreprises fondées sur les données incarnées.
Deuxièmement, cinq grandes écoles, plus de trente entreprises en panorama
Style 1 : Contrôle à distance sur appareil réel / École tactile — Traiter les données comme une chaîne de production
Ce courant applique la logique la plus simple : construire des usines, installer des robots, poser des équipements de capture de mouvement, et produire en série des données haute précision.
Le plus radical est la perception de Pacini.
L'entreprise dispose du plus grand volume mondial d'envois de capteurs tactiles. En 2025, Pascini construira à Tianjin la plus grande usine mondiale de collecte de données corporelles, la Super EID Factory, avec une capacité annuelle de 2 milliards de données. Après avoir bouclé un tour B de plus de 1 milliard de yuans et atteint une valorisation dépassant 10 milliards de yuans en mars, elle a annoncé la construction de quatre autres usines de données géantes à Suqian, Wuhan, Zigong et Ganzhou.
The motion capture veteran is another branch of this line.
Le fondateur de Noitom, Dai Ruoli, avait déjà atteint 70 % de part de marché mondial sur le segment professionnel de la capture de mouvement avec Noitom Technology. Il a ensuite fondé une nouvelle entreprise, Noitom Robotics, qui a bouclé un tour Pre-A++ de plusieurs centaines de millions de yuans en juin, avec une valorisation d'environ 3 milliards de yuans. Les fonds d'investissement AI de Pékin et de Shanghai, Shenzhen Capital Group, CICC et Kunlun Capital ont tous participé à ce tour, tandis que la plateforme de données multimodales ModalityNet a été lancée.
QingTong Vision adopte une approche open source pour échanger contre un écosystème, ayant publié en mai le plus grand jeu de données open source au monde de 1 000 heures de capture motion optique haute précision humaine, avec une production annuelle prévue de 500 000 heures. Les données de mouvement pour la performance robotique de démonstration de kung fu « WuBOT » lors du Gala du Nouvel An chinois de Unitree Technology proviennent de son système Project Decode.
Des nouveaux venus comme Lingsheng Technology se positionnent également.
Deuxième style : École de simulation et de synthèse — « imprimer » des données dans le monde virtuel
Si les données réelles sont trop chères, peut-on créer dans un ordinateur un monde virtuel suffisamment réaliste sur le plan physique pour produire en série des données d'entraînement ?
Cette route a vu naître le premier unicorn de données incarnées au monde : Guanglun Intelligence.
En mars de cette année, une levée de fonds de 1 milliard de yuans en série A++ a été réalisée, suivie en mai par un investissement dirigé par Ant Group, puis une nouvelle levée de 1 milliard de yuans en juin, portant la valorisation post-investissement à plus de 2 milliards de dollars américains (environ 15 milliards de yuans).
Lightwheel Intelligence a vu ses revenus augmenter de dix fois en 2025, avec de nouveaux commandes ajoutées de 550 millions de yuans au premier trimestre 2026, dépassant ainsi le total de l'année précédente en un seul trimestre.
CrossDimension Intelligence est un représentant de la « simulation générative » : son moteur de simulation DexVerse, développé en interne, génère automatiquement d'immenses volumes de données de scénarios dans un monde virtuel ; en juillet de cette année, l'entreprise a annoncé un financement de 1 milliard de yuans, une évaluation dépassant 10 milliards de yuans et le lancement de son IPO, avec un chiffre d'affaires de 100 millions de yuans au premier semestre et plus de 1 500 modèles déjà livrés à des clients commerciaux.
Parmi les entreprises cotées, Qunxiao Technology, surnommée « la première entreprise mondiale en intelligence spatiale » et entrée en bourse à Hong Kong en avril de cette année, étend les vastes données de scènes 3D accumulées dans ses conceptions cloud 3D vers l'intelligence incarnée.
La plateforme de simulation Songying Technology a levé des fonds pré-A et pré-A+ en février et juillet, totalisant des centaines de millions d'euros, et collabore avec des entités nationales et locales pour créer un centre d'innovation sur les robots humanoïdes et construire un ensemble de données synthétiques.
Style 3 : École UMI sans entité / collecte portable — contourner l'entité, « répliquer » l'humain
Un défaut du robot télécommandé pour la collecte de données est qu'il capte non pas les véritables capacités humaines, mais des mouvements compromis pour permettre au robot de suivre. Ainsi, cette approche contourne directement le corps en faisant porter aux personnes des gants, des pinces et des équipements portables pour effectuer directement le travail.
C'est la ligne la plus dense en capital cette année.
Le 1er juin, Jianzhi Robotics a annoncé une série de financements successifs totalisant des centaines de millions d'euros, avec Ant Group, Didi et Delian Capital en tant que principaux investisseurs, et Shunwei et BV Baidu Ventures en tant qu'investisseurs suivants — il s'agit du plus grand financement à ce jour dans le domaine des données sans entité.
Le fondateur, Chen Jianxing, est l'ancien directeur principal des algorithmes de Momenta. L'entreprise, créée il y a un an, couvre déjà des milliers de scénarios réels et a conclu un partenariat stratégique avec Ant Lingbo.
Shi Zhihang a proposé un paradigme de collecte de données centré sur l'humain et lancé la solution de collecte portable SenseHub ; en avril, il a levé 455 millions de dollars américains lors d'un financement Pré-A, établissant le record du plus grand financement unique jamais réalisé en Chine dans le domaine de l'intelligence incarnée, avec une participation conjointe en tant que meneurs de Hillhouse Capital, Sequoia Capital et Meituan, et a déjà lancé le « Projet Étincelle de données incarnées » visant 100 millions d'heures.
Le système FastUMI de Lu Ming Robotics, issu de Tsinghua University, a augmenté l'efficacité de collecte de données de trois fois tout en réduisant les coûts à un cinquième, attirant des investissements consécutifs de Mitsubishi Electric et remportant des commandes de clients de premier plan.
Zhiyuan Robotics a séparé son activité de données en une société indépendante, Mifeng Technology, en février de cette année, réalisant en seulement dix jours un financement de semences et un financement angel totalisant des centaines de millions de yuans, dirigé par Sequoia China, avec pour objectif d'atteindre une capacité de production de données de plusieurs millions d'heures d'ici 2026.
Une nouvelle génération plus jeune émerge : Xingyi Technology, issue du département d'informatique de l'Université Tsinghua, cible la même trajectoire que NVIDIA EgoScale pour développer une collecte en première personne portative à haute liberté et précision au millimètre ; elle a conclu son premier tour de financement et a levé un nouveau financement Pré-A en juillet. Le professeur Lu Zongqing de l'Université de Pékin utilise directement des vidéos Internet pour pré-entraîner un modèle d'actions universel.
Qiongche Intelligence, incubated by Feixi, a remporte près de cent commandes grâce à son système de collecte de données CoMiner basé sur la production en continu, obtient plusieurs centaines de millions de yuans de financement en juin et va bientôt lancer son propre modèle mondial.
Une autre entreprise très récente, Yuanche Taichu (OriginFlow), utilise le paradigme NeuroScale pour capturer les signaux électriques des contractions musculaires humaines via un ensemble de collecte d’émg développé en interne, puis encode et reconstruit la posture de la main, la force et les retours tactiles grâce au modèle de base PULSE ; elle s’interface directement avec la chaîne de transmission native « intention — muscle — action », comblant ainsi les limites de l’UMI liées aux obstructions visuelles et à l’absence de retour force-tactile.
Après un an d'existence, l'entreprise a levé plus de 500 millions de yuans au total lors des rounds angel, stratégique et Pre-A1. Le fondateur, Qin Shentao, est un docteur de Tsinghua University né dans les années 2000, diplômé de l'Université des sciences et technologies de Harbin.
Style 4 : Video Distillation / World Model School — Teaching AI to “Understand” the Physical World
Ce parcours résout le problème du niveau le plus bas de la pyramide des données : « transformer les déchets en ressources » — il existe sur Internet une abondance inépuisable de vidéos d'opérations humaines — cuisiner, artisanat, réparation — mais ces vidéos manquent des informations nécessaires aux robots : force, toucher et trajectoires tridimensionnelles, ce qui les rend des données « visibles mais inutilisables ».
L'idée de la distillation vidéo consiste à utiliser des algorithmes pour déduire à partir de vidéos 2D les trajectoires d'actions et les informations d'interaction physique, transformant ainsi des données statiques en données corporelles entraînables, avec un coût réduit à quelques millièmes de celui de la collecte sur machine réelle.
Les partisans des modèles mondiaux adoptent une approche plus directe : ils font d'abord apprendre à l'IA les lois du fonctionnement du monde physique, puis génèrent « dans l'esprit » une infinité de données d'entraînement.
La chaîne SynaData de Shu Tu Technology peut extraire en lot des données multimodales incarnées, telles que les trajectoires des mains et les chemins de mouvement des objets, à partir de vidéos en ligne, avec un coût de collecte de données extrêmement faible. Elle a levé plusieurs dizaines de millions de yuans sous la conduite de Dongfang Fuhai, et ses données sont utilisées par des modèles open source majeurs tels que RDT de Tsinghua et UniVLA d'Zhìyuán.
Jiexia Shijie utilise le modèle mondial GigaWorld pour générer des données d'entraînement, améliorant les performances du modèle VLA de près de 300 % sur trois dimensions de généralisation, ayant levé 1,2 milliard de yuans en série B+ en juin, avec un financement cumulé de 3,5 milliards de yuans en trois mois.
DeepWisdom a également investi dans les données de vidéos du premier point de vue humain, levant plus de plusieurs centaines de millions de yuans en trois rounds de financement au premier semestre de cette année. En mai, le modèle mondial DeepWisdom Z-WM a atteint la première place mondiale lors de l'évaluation WorldArena.
LiberAI, mentionné au début de l'article, est également un croisement entre cette approche et la piste des modèles mondiaux.
Style 5 : Infrastructure/plateforme de données — une plateforme de données, mais aussi une « raffinerie »
Cette école de pensée considère que le goulot d'étranglement des données incarnées ne réside pas seulement dans « comment collecter », mais aussi dans « comment utiliser ».
Les robots varient en conception, en capteurs et en formats de données ; les données brutes collectées ressemblent à du pétrole brut de composition hétérogène : les injecter directement dans un modèle ne fait que le dégrader. Qui effectuera le nettoyage, l'alignement, l'annotation et l'évaluation pour raffiner ce pétrole brut en essence standardisée ?
De plus, les salles d'entraînement, les équipements de collecte et les systèmes de capture de mouvement sont des actifs lourds, hors de portée des petites et moyennes équipes. Il faut donc créer des salles d'entraînement partagées, établir des normes de données, et vendre des chaînes d'outils et des services plateformes. Il ne mise pas sur une seule technologie de données, mais sur le fait que, quelle que soit la technologie gagnante, elle devra passer par cette voie qu'il a construite.
Wuwen Zhike s'appuie sur le site de collecte et d'entraînement de données à Deqing, doté d'un cycle fermé de fusion virtuel-réel, produisant des milliers d'heures de données par jour ; en avril, l'entreprise a levé plus d'un milliard de yuans, et a signé au premier trimestre des commandes d'un montant total de plusieurs centaines de millions de yuans avec des clients tels que ByteDance et Wujie Power.
Yiren Technology a levé deux séries de financement de centaines de millions de yuans consécutives en avril et a annoncé un chiffre d'affaires dépassant un milliard de yuans et la rentabilité pour 2025, devenant probablement la première entreprise du secteur à annoncer un bénéfice.
En décembre de l'année dernière, Zhiyu Jishu a été fondée pour se consacrer à la transformation intermédiaire, notamment le nettoyage, l'alignement et la gouvernance des données. Des entreprises natives telles que Lingchu Intelligence, Qiongche et Zhi Square ont toutes investi dans ce « fournisseur en amont ».
Les acteurs cotés entrent également sur le marché ; le leader des services de données, Haitian Ruisheng, collabore avec le Centre de formation de données pour robots humanoïdes de Shijingshan à Pékin pour créer un « champ d'entraînement de données pour l'intelligence incarnée ».
D'autres grandes entreprises entrent également dans la course : JD.com a lancé une infrastructure complète pour les données corporelles, prévoyant de mobiliser 600 000 livreurs et coursiers pour collecter des données par le biais du crowd-sourcing, avec pour objectif d'accumuler 10 millions d'heures de vidéos de scénarios réels en deux ans ; Baidu, quant à lui, crée une « boutique de données ».
Trois : Prenez un moment pour réfléchir : la demande de données est-elle rigide ?
L'année 2026 marque le début de la mise à l'échelle des données incarnées ; selon des statistiques, à la fin avril 2026, au moins 90 centres de collecte de données étaient en état d'« utilisation ou de planification/construction » ; parmi ceux-ci, 64 étaient déjà en service, les autres étant en construction ou en planification.
Plus le vent de la mode est fort, plus il faut verser un peu d'eau froide.
Le métier des données incarnées présente un problème structurel peu mentionné : ses pôles de demande et d'offre consomment les mêmes fonds de capital.
Regardez la liste des acheteurs — les équipes de grands modèles, les startups de robots, les fabricants d’entités en transition : la majorité de ces acheteurs ne sont pas encore rentables, et leurs budgets d’achat proviennent de financements récemment reçus.
Autrement dit, les revenus des entreprises de données sont essentiellement une répartition secondaire du financement en aval : les entreprises de robots intelligents incarnés lèvent des fonds, puis les utilisent pour acheter des données et raconter une histoire ; si cette histoire est bien racontée, elles lèvent un nouveau tour de financement.
Si la mise en œuvre de la société mère des robots ne répond pas aux attentes, les commandes de données et le financement disparaissent simultanément. Il s'agit d'une relation symbiotique où la prospérité et l'échec sont liés, dépendant de la demande du marché en aval.
Seule une entreprise de robots capable de générer des bénéfices durables rendra ce métier plus solide et viable.
Un consensus de l'industrie est que, à long terme, seules deux types d'entreprises de données incarnées auront de fortes chances de survivre : l'une deviendra une plateforme de référence, maîtrisant des outils d'échelle écosystémique tels que la simulation, le traitement des données et l'évaluation ; l'autre possédera la capacité de fusionner et de purifier des données provenant de plusieurs fabricants, afin de fournir en continu des données de haute qualité et de longue traîne une fois que les robots entreront dans des scénarios réels.
Cet article provient du compte officiel WeChat « IT Juzi » (ID : itjuzi521), auteur : Wu Meimei